MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA

Transcrição

1 MONITORAMENTO QUANTITATIVO E QUALITATIVO DO VAPOR GERADO EM UMA CALDEIRA DE RECUPERAÇÃO QUÍMICA 1 Gilberto D. M. Filho, 2 Marcelardoso, 3 Gustavo M. de Almeida 1 Aluno de Iniciaçãientífica/UFMG, discente do curso de Engenharia Química 2 Professor do Departamento de Engenharia Química da UFMG 3 Professor dampus Alto Paraopeba da UFSJ 1,2 Departamento de Engenharia Química, Escola de Engenharia, Universidade Federal de Minas Gerais Av. Antôniarlos, 6.627, , Pampulha, Belo Horizonte, MG, Brasil 3 Campus Alto Paraopeba, Universidade Federal de São João del-rei Rod. MG 443, Km 07, , Ouro Branco, MG, Brasil gustavoalmeida@ufsj.edu.br RESUMO - A necessidade por atividades de monitoramento em indústrias químicas, com o objetivo de garantir aspectos de segurança, ambientais e econômicos, é uma atividade crescente. O alvo deste estudo é uma das caldeiras de recuperação química de uma fábrica de produção de celulose do tipo Kraft no Brasil. Pode-se dividir este equipamento em duas regiões: a fornalha, similar a um reator, onde há o processo de combustão do licor-combustível e a recuperação de compostos químicos específicos, e a sessão de transferência de calor convectivo, co-responsável por transformar a água, em torno de 116,0 oc, em vapor superaquecido, por volta de 450,0 oc e 6,5 MPa, que é usado para a geração de energia elétrica, por meio de turbogeradores, e em operações de troca térmica. A manutenção da qualidade deste vapor é imprescindível, principalmente devido às restrições operacionais da turbina. O objetivo deste estudo é antecipar a informação sobre a quantidade e a qualidade deste vapor, que são função das condições operacionais da fornalha. Para tal, identificou-se, de modo satisfatório, um modelo neural preditivo para a vazão e a pressão do vapor e a temperatura de entrada do vapor saturado, oriundo do convector, na sessão do superaquecedor primário. Palavras-Chave: Monitoramento de processos químicos, Redes neurais, Banco de dados industrial. INTRODUÇÃO O setor de papel e celulose é um grande consumidor de energia, seja de eletricidade como de vapor de processo. Sistemas de cogeração têm sido empregados em fábricas de produção de celulose, em particular, pelo processo Kraft, que é responsável, em média, por aproximadamente cinquenta por cento do total da energia elétrica consumida. O sistema de co-geração geralmente usado é composto de caldeiras de biomassa, responsáveis pela queima de cavacos, cascas e resíduos de madeira, e de caldeiras de recuperação química, responsáveis pela queima do licor negro (Gallego, 2004). Este licor, uma solução aquosa com substâncias orgânicas e compostos inorgânicos, oriunda da etapa de polpação dos cavacos de madeira, é a principal fonte para a geração de energia elétrica e de energia térmica no processo Kraft. Mais de 90 % da produção de celulose no Brasil é proveniente deste processo. Deste modo, é importante garantir o fornecimento e a qualidade do vapor para os turbogeradores, responsáveis pela geração da energia elétrica. Esta garantia se dá com o monitoramento e o controle de algumas características do vapor, como a sua temperatura. Nesta direção, o objetivo deste estudo é conhecer, de modo antecipado, a quantidade e a qualidade do vapor a ser produzido. Como exemplo, pode-se usar tal informação para aumentar a eficiência das malhas de controle responsáveis por controlar a temperatura do vapor.

2 ESTUDO DE CASO A caldeira de recuperação química tem três funções principais: recuperar componentes químicos específicos à base de sódio (que serão reutilizados na etapa de polpação dos cavacos de madeira), queimar a matéria orgânica presente no licor negro (combustível), para a geração de vapor à alta pressão, e, minimizar a descarga de uma gama de poluentes (Vakkilainen, 2005). O equipamento compreende duas partes: a região inferior, denominada fornalha, é responsável pelo processo de combustão do licor-combustível, e a região superior, denominada sessão de transferência de calor convectivo, co-responsável por transformar a água, em torno de 116,0, em vapor superaquecido, por volta de 450,0 e 6,5 MPa. Isto se dá a partir de um conjunto de trocadores de calor em série, denominados, economizador, convector, e superaquecedor. Em sua maior parte, o vapor é usado para a geração de energia elétrica, por meio de turbogeradores, para o próprio consumo da fábrica, e a parcela restante, como vapor de processo em operações de troca térmica (Almeida, 2003). Diversos fatores influenciam o processo de transferência de calor entre os gases quentes, oriundos do processo de combustão do licor, e a água de alimentação. Esta realidade é a causa de uma variação significativa e desordenada da temperatura do vapor. Deste modo, sem qualquer ação externa adicional, dada, por exemplo, por uma malha de controle, a temperatura do vapor iria variar conforme a taxa de fluxo de vapor, seguindo o que é conhecido como característica natural da caldeira (Lindsley, 2005). A turbina ou a etapa subsequente que irá receber o vapor, usualmente requer uma temperatura dentro de um intervalo. Nesta direção, faz-se necessário usar de algum meio para garantir tal requisição. Na prática, é comum, o uso de borrifadores (um tipo de dessuperaquecedor) de água no vapor superaquecido como elementos finais de controle (Lindsley, 2005). Em aplicações convencionais, é possível controlar a temperatura do vapor superaquecido através de uma malha simples com realimentação negativa (controle de temperatura a um elemento), enquanto em casos, onde o valor da temperatura é crítico, é necessário empregar malhas de controle com realimentação combinado com controle em cascata (controle de temperatura a dois elementos) ou controle antecipativo com realimentação combinado com controle em cascata (controle de temperatura a três elementos) (Bega, 2003). A Figura 1 é uma representação esquemática de uma configuração usual de sistema de controle para o ajuste da temperatura do vapor em dois estágios, com a primeira malha entre a saída da sessão do primeiro superaquecedor e a entrada da sessão do segundo superaquecedor e a segunda malha de controle entre a saída da sessão do segundo superaquecedor e a entrada da sessão do terceiro superaquecedor. Figura 1: Malha de controle, para o ajuste da temperatura do vapor, em dois estágios (Fonte: Lindsley, 2005) Nesta direção, de acordo com o objetivo deste estudo, pode-se usar a informação antecipada sobre a quantidade e a qualidade do vapor, que são função das condições operacionais da região inferior (fornalha) da caldeira de recuperação química, por exemplo, como um sinal de entrada para as malhas de controle responsáveis por controlar o nível do balão e a temperatura do vapor ao longo das sessões dos superaquecedores, de modo a minimizar as variabilidades da vazão, temperatura e pressão do vapor produzido pelo equipamento. É importante ressaltar que há um grau de associação entre a vazão e a pressão. Para tal, identificou-se de modo simultâneo e satisfatório um modelo neural preditivo para a vazão, pressão do vapor e para a temperatura de entrada do vapor saturado, oriundo do convector na sessão do primeiro superaquecedor.

3 METODOLOGIA A metodologia é composta de duas etapas: a preparação de um banco de dados e a identificação de um modelo neural. Em relação à primeira etapa, o banco de dados, coletado em uma fábrica de produção de celulose do tipo Kraft no Brasil, é composto por quatro meses de operação, período entre duas paradas programadas da fábrica. Ele contém nove variáveis de entrada e três variáveis de saída. O intervalo de amostragem é horário, o que resulta em um total de 2928 registros para cada variável. A Tabela 1 contém um resumo sobre as variáveis de entrada e saída. Tabela 1: Resumo sobre as variáveis de entrada e as variáveis deste estudo de caso Faixa Variável Código Unidade Operacional Vazão do Licor (combustível) Licor (combustível) Percentual de Sólidos Secos Vazão do Ar Primário Ar Primário Vazão do Ar Secundário Ar Secundário Vazão do Ar Terciário Gases Quentes Vazão do vapor vapor na sessão de entrada do 1 o superaquecedor Pressão do vapor ENTRADAS F(Licor) t/h 51,7 125,8 T(Licor) 115,4 131,7 %(SS) % 62,4 73,7 F(AP) t/h 134,2 176,2 T(AP) 136,5 158,6 F(AS) t/h 114,4 260,3 T(AS) 129,2 173,3 F(AT) t/h 33,6 54,3 T(Gases) SAÍDAS 272,0 644,0 F(Vapor) t/h 203,1 359,9 T(Vapor) 425,0 482,5 P(Vapor) Kg f/cm 2 61,0 67,6 Em relação à segunda etapa, identificouse um modelo neural preditivo para a vazão, pressão do vapor e para a temperatura de entrada do vapor saturado na sessão do primeiro superaquecedor. Para tal, dividiu-se o banco de dados em dois subconjuntos: de treinamento e de validação. O primeiro, com 75,0 % do total de registros, é usado para se obter o modelo neural e o segundo, para verificar a sua performance. Empregou-se uma rede neural do tipo feed-forward, com uma única camada intermediária, onde a função de transferência dos elementos primários é uma sigmóide. Testou-se inicialmente o algoritmo de aprendizagem back-propagation, porém decidiuse pelo BFGS, um método quase-newton, em função de seu resultado superior (Haykin, 1998). Variou-se o número de épocas, entre 500 e 5000, e o número de neurônios ocultos, de 2 a 20. Por último, selecionou-se o modelo neural com o menor valor para o Erro Quadrático Médio (EQM), dado pela diferença entre o valor real, medido na unidade industrial, e o valor teórico, calculado pelo modelo. Este cálculo é feito utilizando o conjunto de dados de validação. RESULTADOS E DISCUSSÃO Inicialmente, verificou-se a qualidade do banco de dados. Do total de 2928 registros para cada variável, eliminou-se 68. Em seguida, dividiu-se este banco de dados com 2860 registros por variável em dois subconjuntos: de treinamento, com 2145 registros, e de validação, com 715. Iniciou-se então, a etapa de construção de um modelo neural. Após variar o número de épocas, decidiu-se por fixá-lo em Na sequência, geraram-se, ao se variar o número de neurônios na camada oculta, 19 modelos neurais. O modelo final, aquele com o menor valor para o Erro Quadrático Médio (75,4(t/h) 2 ), contém 14 neurônios ocultos. A Figura 2 contém uma representação esquemática do modelo neural, com uma única camada intermediária com catorze neurônios e as nove variáveis de entrada e três variáveis de saída (ver Tabela 1). Figura 2: Modelo neural final, com uma única camada oculta, e com nove variáveis de entrada e três variáveis

4 De modo a verificar a sua capacidade de generalização, construíram-se gráficos de paridade entre os valores reais (medidos na fábrica) e aqueles calculados pelo modelo, e histogramas com as distribuições dos resíduos, para cada uma das três variáveis respostas. A Figura 3 diz respeito à vazão do vapor (F(Vapor)). Em (a), pode-se observar um grau de associação satisfatório entre os valores reais e teóricos (dado pelo alto valor do coeficiente de correlação linear (r), igual a 0,94), e em (b), uma distribuição aproximadamente normal, com média zero, para os resíduos. observar um menor valor para o coeficiente de correlação linear (r), igual a 0,73, em relação àquele para a vazão, igual a 0,94 (ver Figura 3(a)). Isto é devido ao fato de que a sensibilidade desta variável em relação às condições operacionais da caldeira é maior; como consequência, realizar a sua predição de modo satisfatório é uma tarefa mais crítica. Pôde-se observar um salto em sua previsão após a inclusão da temperatura dos gases quentes (T(Gases)) como uma das variáveis de entrada. Provavelmente, um procedimento de melhoria é a inclusão de outras variáveis, como por exemplo, da vazão dos gases quentes no topo da fornalha (Bega, 2003). Em (b), pode-se verificar a distribuição aproximadamente normal, com média zero, para os resíduos. (a) 150 (a) Frequência Resíduos (b) Figura 3: (a) Relação de paridade entre os registros reais (medidos na fábrica) e os valores calculados pelo modelo neural, para a vazão de vapor (F(Vapor)), e (b) distribuição dos resíduos, dado pela diferença entre ambos A Figura 4 contém o resultado referente à temperatura de entrada do vapor saturado, oriundo do convector, na sessão do primeiro superaquecedor (T(Vapor)). Em (a), pode-se Frequência Resíduos (b) Figura 4: (a) Relação de paridade entre os registros reais (medidos na fábrica) e os valores calculados pelo modelo neural, para a temperatura do vapor saturado na sessão de entrada do primeiro superaquecedor (T(Vapor)), e (b) distribuição dos resíduos, dado pela diferença entre ambos

5 A Figura 5 contém o resultado para a pressão do vapor produzido pela caldeira (P(Vapor)). Em (a), pode-se observar um valor significativo para o coeficiente de correlação linear (r), igual a 0,78. Como no caso anterior, um provável procedimento de melhoria é a inclusão de outras variáveis. Pode-se verificar ainda a superestimação de um grupo de valores (ver círculo cinza) pelo modelo neural. Uma hipótese deste fato é a presença de condições operacionais não usuais presentes no banco de dados. Em (b), pode-se verificar a distribuição aproximadamente normal, com média zero, para os resíduos. Tabela 2: Resultado numérico do procedimento de validação do modelo neural Coeficiente Erro Erro Variável de Médio Absolut de Saída Correlação Relativo o Médio Linear (r) (%) Vazão do vapor vapor saturado na sessão de entrada do superaquecedor primário Pressão do vapor 0,94 6,5 t/h 2,2 0,73 2,6 0,8 0,78 0,5 kg f/cm 2 0,7 150 (a) CONCLUSÕES Quanto mais cedo se conhecer o estado de um processo, maior a chance de mantê-lo sob as faixas operacionais desejáveis, seja por razões de segurança, ambientais ou econômicas. Neste estudo de caso em particular, pode-se usar a informação antecipada sobre a qualidade do vapor como um sinal de entrada para as malhas de controle responsáveis por ajustar a sua temperatura ao longo das sessões dos superaquecedores, de modo a se alcançar uma menor variabilidade para esta variável. Este ganho é importante, por exemplo, para se ter uma operação segura e eficiente da turbina. Frequência Resíduos (b) Figura 5: (a) Relação de paridade entre os registros reais (medidos na fábrica) e os valores calculados pelo modelo neural, para pressão de vapor (P(Vapor)), e (b) distribuição dos resíduos, dado pela diferença entre ambos A Tabela 2 contém um resumo numérico sobre o resultado deste procedimento quanto à verificação da performance do modelo neural. NOMENCLATURA %(SS) Carga de Sólidos Secos Presente no Licor-Combustível, % EQM Erro Quadrático Médio, (t/h) 2 F(AP) Vazão do Ar Primário, t/h F(AS) Vazão do Ar Secundário, t/h F(AT) Vazão do Ar Terciário, t/h F(Licor) Vazão do Licor Negro, t/h F(VS) Vazão do Vapor de Saída, t/h r Coeficiente de Correlação Linear, T(AP) Ar Primário, T(AS) Ar Secundário, T(Licor) Licor Negro, T(Gases) s Gases Quentes, F(Vapor) Vazão do vapor de Saída, t/h T(Vapor) Vapor Saturado na Sessão de Entrada do Superaquecedor Primário P(Vapor) Pressão do Vapor de Saída, kg f /cm 2

6 AGRADECIMENTOS Os autores agradecem à fábrica de produção de celulose do tipo Ktraft, no Brasil, pela cessão de um banco de dados sobre as operações de uma de suas caldeiras de recuperação química. REFERÊNCIAS Almeida, G. M., Desenvolvimento de Metodologia e de Modelos para Variáveis de Performance em Caldeiras de Recuperação Via Redes Neurais Artificiais. Dissertação de Mestrado, UFMG, Belo Horizonte, MG. 101p. Bega, E. A., Instrumentação Aplicada ao Controle de Caldeiras. Interciência, 3a Ed., Gallego, A. G., Modelagem Computacional e Análise Termodinâmica de Sistemas de Geração de Potência utilizando Gaseificação de Licor Negro. Tese de Doutorado, UNICAMP, São Paulo, SP. 217p. Haykin, S. Neural Networks: A Comprehensive Foundation. 2a ed., Nova Jersey: Prentice Hall, Lindsley, D., Power-Plant Control and Instrumentation The Control of Boilers and HRSG Systems. Londres: The Institution of Electrical Engineers, Vakkilainen, E.K., Kraft Recovery Boilers Principles and Practice. Helsinque: Suomen Soodakattilayhdistys r.y., 2005.